وبلاگ

رگرسیون

۰٫۴۴۶

۳۸۴

۱۷۱٫۲۸۹

باقی مانده

۳۸۵

۲۶۰٫۷۶۱

کل

همانطوریکه ملاحظه می شود ضریب تعیین مدل برابر با ۰٫۳۴۳و مقدار عدد معناداری آماره F نیز صفر می باشد و بدین معناست که ۳۴٫۳ % از تغییرات متغیر وفاداری توسط متغیر مستقل بازار یابی رابطه مند مدل تبیین و توضیح و پیش بینی می شود. آماره دوربین واتسون مدل برابر با ۲٫۲۷۴ می باشد که نشان دهنده وجود همبستگی مثبت قوی بین جملات اخلال ( باقی مانده ها) رگرسیون دارد که ناقض یکی از مفروضات رگرسیون خطی یعنی عدم وجود همبستگی(استقلال) بین جملات اخلال ( باقی مانده ها ) را نشان می دهد دارد.آماره دوربین واتسون نیز برابر با(۲٫۲۷۴) و در بازده (۱٫۵ تا۲٫۵)می باشد بنابراین می توان نتیجه گرفت که خطاهای مدل در این آزمون همبسته نیستند.

و باتوجه به جدول رگرسیونی متوجه خواهیم شد که میزان تأثیر بازاریابی رابطه مند بر وفاداری ۰٫۵۸۶ می باشد. که نشان دهنده تأثیر مستقیم بازار یابی رابطه مند بر وفاداری می باشد.
۴-۲-۳ تحلیل عاملی تأییدی متغیر‌های پژوهش
در این بخش، نتایج حاصل از تحلیل عاملی تائیدی هر یک از متغیر‌های پژوهش توسط نرم‌افزار LISREL به صورت جداگانه برای هر متغیر آورده شده است. لازم به ذکر است که به منظور کاهش متغیرها و در نظر گرفتن آنها به عنوان یک متغیر مکنون، بار عاملی به دست آمده باید بیشتر از ۳/۰ باشد (مؤمنی , قیومی، ۱۳۸۶). در تحلیل عاملی تائیدی محقق می داند چه سؤالی مربوط به چه بعدی است. یعنی در تحلیل عاملی تائیدی مدل مفهومی برای هر یک از مفاهیم یا متغیرهای تحقیق وجود دارد. در بررسی هر کدام از مدل ها سؤال اساسی این است که آیا این مدل های اندازه گیری مناسب است؟ به عبارت دیگر آیا داده های تحقیق با مدل مدل مفهومی همخوانی دارد یا نه ؟
بطور کلی دو نوع شاخص برای آزمودن برازش مدل وجود دارد:
۱- شاخص های خوب بودن و ۲- شاخص های بد بودن
شاخص های خوب بودن مانند AGFI ، AGFI، NFI و … می باشدکه هر چقدر مقدار آنها بیشتر باشد بهتر است. مقدار پیشنهادی برای چنین شاخصهایی ۹/۰ می باشد. همچنین شاخص های بد بودن نیز شامل df /2χو RMSEA میباشدکه هرچقدرمقدارآنهاکمترباشدمدل دارای برازش بهتری است. حدمجاز df /2x عدد ۳ می باشد و حد مجاز RMSEA 08/0 می باشد. برای پاسخ به پرسش برازش مدل بایستی شاخص های خوب بودن و بد بودن به هم (df /2χ، RMSEA ،AGFI ، AGFI، NFI و CFI) مورد بررسی قرار گیرند.
۴-۲-۳-۱ شاخص های نیکویی برازش مدل
همانطور که آشکار است، نرم افزار LISRELیک سری شاخص‌های برای سنجش نیکویی برازش مدل تدوین شده ارائه می‌دهد. در ادامه کلیه شاخص های ذکر شده مورد بررسی قرار می گیرند.
شاخص کای دو (۲χ) : که نشان دهندۀ میزان آمارۀ کای دو برای مدل است. در واقع این شاخص اختلاف بین مدل و داده‌ها را نشان می‌دهد و معیاری برای بد بودن مدل است. لذا هرقدر که میزان آن کمتر باشد، حاکی از اختلاف کمتر بین ماتریس واریانس-کوواریانس نمونۀ اتخاذ شده و ماتریس واریانس-کوواریانس حاصل از مدل اتخاذ شده بوده و بد بودن مدل را نشان می‌دهد. البته لازم به ذکر است که میزان این شاخص تحت تأثیر تعداد نمونۀ اتخاذ شده قرار می‌گیرد. در واقع چنانچه حجم نمونه بیشتر از ۲۰۰ بشود، این شاخص تمایل زیادی به افزایش دارد. لذا تحلیل برازندگی مدل با این شاخص، معمولاً در نمونه‌های بین ۱۰۰ تا ۲۰۰ قابل اتکا است. همچنین بهتر است که این شاخص، با در نظر گرفتن درجه آزادی تفسیر شود.
درجه آزادی (df): این شاخص درجه آزادی مدل را نشان می‌دهد و نباید کوچکتر از صفر باشد.
نسبت کای دو بر درجه آزادی (df /2χ): یکی از بهترین شاخص‌های بررسی نیکویی برازش مدل، بررسی نسبت آمارۀ کای دو بر درجه آزادی که است. البته حد استانداردی برای مناسب بودن میزان این شاخص وجود ندارد. اما بسیاری از اندیشمندان بر این عقیده‌اند که این شاخص باید کمتر از ۳ باشد. در نهایت حد مناسب بودن باید با تشخیص محقق و بر اساس نوع تحقیق صورت گیرد.
شاخص میانگین مجذور خطاهای مدل (RMSEA): این شاخص براساس خطاهای مدل ساخته شده و همانند شاخص کای دو، معیاری برای بد بودن مدل است. برخی از اندیشمندان بر این عقیده‌اند که این شاخص باید کمتر از ۰٫۰۵ باشد، همچنین برخی دیگر، میزان کمتر از ۱/۰ را مناسب می‌دانند.
شاخص Goodness-of-Fit (GFI): این شاخص، معیاری برای سنجش میزان خوب بودن مدل است و میزانی بالاتر از ۰٫۹، نشان دهندۀ مناسب بودن مدل استخراج شده با توجه به داده‌ها است.
شاخص Adjusted GFI (AGFI): این شاخص، در واقع حالت تطبیق داده شدۀ شاخص GFI با در نظر گرفتن میزان درجۀ آزادی (df) است و معیار دیگری برای خوب بودن مدل است. چنانچه میزان این شاخص بالاتر از ۹/۰ باشد، حاکی از مناسب بودن مدل استخراجی با توجه به داده‌ها است.
شاخص Normed Fit Index (NFI): این شاخص نیز یکی دیگر از شاخص‌ها برای سنجش میزان خوب بودن مدل به دست آمده با توجه به داده‌ها است. چنانچه میزان این شاخص بالاتر از ۹/۰ باشد، حاکی از مناسب بودن مدل استخراجی است (Schumacker & Lomax, 2004).
۴-۲-۴ تحلیل عاملی تائیدی (مدل اندازه گیری) متغیرهای مکنون
سؤال اساسی مطرح شده روایی سازه ای سؤالات و ابعاد مشخص می شود برای پاسخ به این پرسش بایستی آماره  و سایر معیارهای مناسب بودن برازش مدل مورد بررسی قرار گیرد.
شکل۴-۱) تخمین استاندارد مدل اندازه گیری استفاده از تحلیل عاملی
با توجه به خروجی لیزرل مقدار  محاسبه شده برابر با ۶۹٫۶۲می‌باشد وجود  پایین نشان دهنده برازش مناسب مدل است. زیرا هر چه مقدار  کمتر باشد، مدل ارائه شده مدل مناسب‌تری می‌باشد با توجه به نتایج ذیل که از خروجی نرم افزار لیزرل بدست آمده‌اند.
۰٫۰۰۷= RMSEAو۰٫۰۰۰۰۳٫= Value- P و ۲٫۳۷=df / و ۲۹ = df و ۶۹٫۶۲=
Goodness of Fit Index (GFI) = 0.97
Adjusted Goodness of Fit Index (AGFI) = 0.92
با نگاهی با نتایج خروجی لیزرل قسمت تخمین غیر استاندارد مدل متوجه می شویم که مدل اندازه گیری مدل مناسبی است چون که مقدار کای دو آن و مقدار RMSEA آن کم بوده و مقدار GFI و AGFI بیشتر ۹۰ درصد است. خروجی بعدی قسمت معناداری مدل را نشان می دهد.
شکل۴-۲) معناداری مدل اندازه گیری با بهره گرفتن از تحلیل عاملی
مدل اندازه گیری نشان می دهد که تمامی ضرایب بدست آمده معنادار شده اند چونکه مقدار آزمون معناداری تک تک آنها از عدد ۲ بزرگتر و از عدد ۲- کوچکتر است.
با توجه به نتایج خروجی بالا به هم روایی سازه ای پرسشنامه رو تأیید می کند و نشان می دهد سؤالات برای شاخص ها مناسب بوده است .